Énergie : le paradoxe de la productivité IA revient — croire au catalyseur sans savoir le mesurer

L'EY US AI Pulse Survey, quatrième vague de l'enquête menée auprès de dirigeants américains et publiée le 13 avril 2026 à partir de données collectées en décembre 2025, dessine un profil singulier pour le secteur de l'énergie. Sur l'intérêt organisationnel pour une IA responsable, le secteur affiche la progression la plus forte de tous — +25 points depuis juillet 2024, à 72% — et parmi les dirigeants ayant constaté des gains de productivité liés à l'IA, 78% jugent que ces gains catalysent une transformation stratégique de leur organisation, contre 55% en moyenne tous secteurs confondus. Sur ce premier axe, l'énergie est le secteur le plus convaincu.

Le même sondage, appliqué aux mêmes répondants, produit un résultat qui inverse la lecture : 56% des dirigeants énergie déclarent avoir du mal à rattacher directement leurs gains de productivité à leurs investissements IA — contre 35% en moyenne inter-sectorielle, soit 21 points d'écart. Et 72% estiment avoir besoin de davantage de formation pour communiquer précisément ces gains, contre 50% en moyenne. Le secteur le plus convaincu de la valeur de l'IA est donc, presque terme à terme, le secteur le moins capable de la chiffrer.

Ce schéma n'est pas nouveau en économie de l'innovation. Robert Solow l'énonçait dès 1987 à propos de l'informatique : "you can see the computer age everywhere but in the productivity statistics" — l'âge de l'ordinateur est visible partout sauf dans les statistiques de productivité. Le paradoxe de Solow, documenté ensuite par Brynjolfsson (1993) sous le nom de "productivity paradox", tenait à un décalage temporel : les gains d'une technologie générale mettent une génération à se refléter dans les agrégats macroéconomiques, le temps que les organisations réorganisent leurs processus autour d'elle. Ce que révèle l'enquête EY n'est pas exactement ce décalage temporel — c'est sa version micro-organisationnelle et contemporaine : l'incapacité à isoler, au niveau de l'entreprise, la contribution causale de l'IA dans un système de production où de multiples facteurs évoluent simultanément (prix de l'énergie, automatisation antérieure, cycles d'investissement capex lourds propres au secteur).

Le secteur énergie est structurellement exposé à ce problème d'attribution pour une raison spécifique à son économie : c'est une industrie à cycles d'investissement longs et à actifs fortement capitalistiques, où la productivité globale des facteurs (PGF) est déjà brouillée par les fluctuations de prix des matières premières et les effets de déclin naturel des champs en amont. Isoler la part imputable à l'IA dans une variation de productivité mesurée en aval — raffinage, distribution, opérations réseau — suppose une méthodologie de mesure contrefactuelle (comparaison avant/après avec groupe témoin, ou modèle structurel) que peu d'organisations énergie ont mise en place avant de lancer leurs pilotes IA.

L'implication n'est pas que la conviction des dirigeants énergie soit infondée — le fait que 78% d'entre eux (contre 55% ailleurs) associent gains observés et transformation stratégique suggère un signal réel, pas un artefact d'enthousiasme. L'implication est que ce signal reste, à ce stade, non instrumenté : sans architecture de mesure causale mise en place en amont du déploiement, l'organisation ne peut ni arbitrer entre deux projets IA concurrents sur des bases comparables, ni défendre en interne la poursuite d'un investissement dont elle "sait" qu'il fonctionne sans pouvoir le prouver.

Le risque de gouvernance est asymétrique. Un dirigeant qui sur-investit sur la base d'une conviction non mesurée s'expose, au prochain cycle budgétaire, à devoir justifier une dépense dont le retour reste anecdotique — argument classique de coupe pour un directeur financier en période de resserrement du capex. À l'inverse, un dirigeant qui sous-investit faute de preuve chiffrée cède un avantage de premier entrant à un concurrent moins rigoureux mais plus rapide. La sortie de ce dilemme n'est pas de trancher entre les deux postures, mais de raccourcir le délai entre déploiement et mesure : instrumenter chaque pilote IA avec une ligne de base pré-déploiement et un groupe de comparaison dès son lancement, plutôt que de tenter une attribution rétrospective une fois le déploiement généralisé.

Pour un acheteur de conseil IA dans l'énergie, la conclusion opérationnelle est directe : la priorité de dépense à court terme n'est pas d'accélérer l'adoption — déjà la plus rapide en intention de tous les secteurs — mais de construire, en parallèle, l'infrastructure de mesure qui permettra de distinguer, d'ici la prochaine vague de l'enquête EY, une conviction confirmée d'une conviction simplement répétée.